Quantitative Handelsstrategie - Eröffnung quantitativer Trendverfolgung
ChaoZhang
Überblick
Die Strategie ermöglicht die automatische Positionseröffnung, indem sie den Trend der Preisänderungen in Verbindung mit der Veränderung des Handelsvolumens verfolgt. Die Strategie verwendet ein Gleichgewichtssystem, um die Preisänderungstrends zu ermitteln, und kombiniert dann die synchrone Veränderung des Handelsvolumens als Positionsbestätigungssignal.
Strategieprinzip
Die Kernlogik der Quantifizierungs-Trading-Strategien-Platzöffnung-Quantifizierungs-Trend-Tracking basiert auf einer Matching-Relation zwischen dem Trend der Preisänderung und der Veränderung des Handelsvolumens. Konkret verwendet die Strategie den Schlusskurs abzüglich der Differenz zwischen dem Eröffnungskurs als Preisänderung und multipliziert mit dem Handelsvolumen des Tages, um die Preis-Menge-Kombinationskurve zu erhalten. Diese Kombinationskurve spiegelt gleichzeitig die Preisänderungstrends und die Handelsvolumen-Begleitungsbeziehung wider.
Analyse der Stärken
Die Strategie kombiniert Preis- und Volumenänderungen und filtert so einige falsche Trends, die nicht mit den Preisen übereinstimmen, reduziert das Risiko, Positionen zu eröffnen und erhöht die Genauigkeit. Quantitative Tracking-Effekte sind besser als bei reinen Preis-Technik-Indikatoren. Die Strategie verwendet auch ein einheitliches Liniensystem, um eine dynamische Basislinie zu setzen, die sich automatisch an Veränderungen der Marktumgebung anpasst.
Risikoanalyse
Die Strategie beruht hauptsächlich auf der Berechtigung der Quantifizierungstrends durch die Preis-Quantität-Beziehung. Ein Missverhältnis zwischen Preis und Quantität kann zu einem erhöhten Risiko für Fehleinschätzungen führen. Darüber hinaus kann eine falsche Einstellung der Mittellinienparameter die Effektivität der Strategie beeinträchtigen.
Optimierungsrichtung
Es kann in Betracht gezogen werden, weitere Filteroptimierungsstrategien hinzuzufügen, z. B. ein Volatilitätsindikator, der die Qualität eines Trends bestimmt, ein Emotionsindikator, der die psychologische Situation des Marktes beurteilt. Darüber hinaus können die Änderungen der Strategieeffekte unter verschiedenen Gleichgewichtssystemen getestet werden, um die beste Kombination von Parametern zu finden. Die Einbeziehung von Machine Learning-Modell-Training-Urteilsregeln ist eine weitere Optimierungsrichtung.
Zusammenfassen
Die Quantifizierung der Handelsstrategie basiert auf der Verfolgung der Beziehung zwischen Preis und Handelsvolumen, um die Position automatisch zu eröffnen. Durch die Quantifizierung der Preisentwicklung und der Handelshitze kann ein ineffizientes Signal effizient gefiltert und die Erfolgsrate für die Eröffnung von Positionen verbessert werden. Die Optimierungsmöglichkeiten für die Strategie sind groß und es lohnt sich, weiter zu forschen.
/*backtest
start: 2023-12-12 00:00:00
end: 2024-01-11 00:00:00
period: 30m
basePeriod: 15m
exchanges: [{"eid":"Futures_Binance","currency":"BTC_USDT"}]
*/
// This source code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// © avsr90
//@version=5
strategy(title="Lp-Op vol",shorttitle="LPV", max_bars_back = 5000,overlay=false,format=format.volume )
//Resolutions
Resn=input.timeframe(defval="",title="resolution")
Resn1=input.timeframe(defval="D",title="resolution")
//Intraday Open and Last Price and Last price- Open Price calculations.
Last_Price=math.round_to_mintick(close)
Open_Price = request.security(syminfo.tickerid ,Resn1,close[1],barmerge.gaps_off, barmerge.lookahead_on)
Op_Cl=math.round_to_mintick(Last_Price-Open_Price)
//length from Intra Day Open Price
Nifnum= ta.change(Open_Price)
Length_Intraday=int(math.max(1, nz(ta.barssince(Nifnum)) + 1))
//Input for Length for Volume
Length_Vol=input(defval=20, title="L for Vol")
// Last Price- Open price Volume, Average Intraday Last price-Open Price Volume
//and Volume Bars calculations.
Op_Cl_Vol=(Op_Cl*volume)
Avg_Vol_Opcl=ta.sma(Op_Cl_Vol,Length_Intraday)
Vol_Bars=ta.sma(volume,Length_Vol)
//Plots
plot(Op_Cl_Vol,color=Op_Cl_Vol>0 ? color.green:color.red,title="OPCLV")
plot(Avg_Vol_Opcl, title="Avg Vol", color=color.fuchsia)
plot(Vol_Bars, title="Vol Bars", color=color.yellow)
//Strategy parameters
startst=timestamp(2015,10,1)
strategy.entry("lo",strategy.long,when= ta.crossover(Op_Cl_Vol,Avg_Vol_Opcl) and ta.crossover(volume,Vol_Bars))
strategy.entry("sh",strategy.short,when=ta.crossunder(Op_Cl_Vol,Avg_Vol_Opcl)and ta.crossunder(volume,Vol_Bars ))